Ця робота присвячена проблемі ідентифікації реологічних параметрів деревини з використанням штучних нейронних мереж з розпаралеленим алгоритмом навчання за допомогою мови програмування Python, фреймворку Chainer та технології CUDA. Розроблено інтелектуальну систему ідентифікації реологічних параметрів деревини. Створена система містить максимально зрозумілий інтерфейс користувача, весь необхідний комплекс інструментів для автоматизації процесу візуалізації та аналізу даних. У процесі створення інтелектуальної системи було передбачено вирішення наступних завдань: провести аналіз систем штучного інтелекту та аналіз навчання штучних нейронних мереж, зокрема багатошарових нейронних мереж прямого поширення, рекурентної нейронних мереж та нейронної мережі Кохонена; дослідити структуру фреймворку Chainer та його взаємодію з CUDA; провести аналіз існуючих хмарних технологій для реалізації завдання; провести аналіз алгоритмів навчання штучних нейронних мереж, їхнє математичне забезпечення; здійснити розпаралелення алгоритмів навчання та розробити необхідне програмне забезпечення. Використання Chainer дає змогу створювати пул пам'яті для розподілу пам'яті GPU. Щоб уникнути розподілу та вилучення пам'яті під час обчислень, Chainer надає можливість використовувати пул пам'яті CuPy як стандартний розподіл пам'яті не маючи справу з розподілом пам'яті. Для визначення фізико-механічних параметрів математичної моделі неізотермічного вологоперенесення та в'язко-пружного деформування капілярно-пористих матеріалів у процесі сушіння розроблено інтелектуальну систему. Вона надає можливість провести ідентифікацію параметрів ядер повзучості та релаксації, що записується як лінійна комбінація експоненціальних операторів. Запропонований алгоритм апроксимації та отримані розрахункові співвідношення реологічної поведінки деревини за допомогою багатошарової нейромережі з експоненціальними функціями активації у прихованих шарах дає змогу підвищити точність апроксимації експериментальних даних повзучості. Розроблені математичні моделі можуть бути використані для створення систем автоматизованого скінченно-різницевого розрахунку температури, вологовмісту та компонент напружень під час сушіння капілярно-пористих матеріалів з урахуванням технологічних параметрів агента сушіння.
[1] Anagnostopoulos, I., Anagnostopoulos, C., & Loumos, V. (2004). Classifying Web pages employing a probabilistic neural network. IEEE Proceedings – Software, 151(3), (pp. 139–150).
[2] Bodyanskiy, Y. V., & Tyshchenko, O. K. (2019). A Hybrid Cascade Neuro-Fuzzy Network with Pools of Extended Neo-Fuzzy Neurons and its Deep Learning. International Journal of Applied Mathematics and Computer Science, 29(3), 477–488. https://doi.org/10.2478/amcs-2019-0035
[3] Chang, D.-J., Kantardzic, M. M., & Ouyang, M. (2009). Hierarchical Clustering with CUDA/GPU. ISCA PDCCS, 7–12.
[4] Chapman, B., Jost, G., & van der Pas, Ruud. (2008). Using OpenMP: portable shared memory parallel programming (Scientific and Engineering Computation), 2(3), 43–48. Cambridge, Massachusetts: The MIT Press.
[5] Díaz, E., Brotons, V., & Tomás, R. (2018). Use of artificial neural networks to predict 3-D elastic settlement of foundations on soils with inclined bedrock. Soils and Foundations, 58(6), 1414–1422. https://doi.org/10.1016/j.sandf.2018.08.001
[6] Gerbec, D., Gasperic, S., & Smon, I. (2005). Allocation of the load profiles to consumers using probabilistic neural networks. IEEE Transactions on Power Systems, 20(2), (pp. 548–555).
[7] Gu, L., Li, X., & Siegel, Ja. (2010). An empirically tuned 2D and 3D FFT library on CUDA GPU. Proceedings of the 24th ACM International Conference on Supercomputing – ACM, Tsukuba, Japan. – June 01–04. New York, (pp. 305–314).
[8] Haykin, S. (2013). Neural Network a comprehensive foundation (2nd ed.). Prentice Hall, 426 p.
[9] Hong, S. G., Kim, S. W., & Lee, J. J. (2015). The Minimum Cost Path Finding Algorithm Using a Hopfield Type Neural Network. Proceedings IEEE International Conference on Fuzzy, Systems 4, (pp. 719–726).
[10] Hu, Z., Bodyanskiy, Y., & Tyshchenko, O. K. (2019). Self-learning procedures for a kernel fuzzy clustering system. Advances in Intelligent Systems and Computing, 754, 487–497.
[11] Spooner, J. T., Maggiore, M., Ordóñez, R., & Passino, K. M. (2002). Stable Adaptive Control and Estimation for Nonlinear Systems: Neural and Fuzzy Approximator Techniques. John Wiley & Sons, Inc., 236 p.
[12] Krste, A., et al. (2016). The Landscape of Parallel Computing cResearch: A View from Berkeley University of California, Berkeley. Technical cReport No. UCB/EECS-2016-183.
[13] Nabian, M. A., & Meidani, H. (2017). Deep Learning for Accelerated Reliability Analysis of Infrastructure Networks. Computer-Aided Civil and Infrastructure Engineering, 33(6), 443–458. https://doi.org/10.1111/mice.12359
[14] Nukada, A., & Matsuoka, S. (2009). Auto-tuning 3-D FFT library for CUDA GPUs. Proceedings of the Conference on High Performance Computing Networking, Storage and Analysis – ACM, November 14–20, 2009, Portland, Oregon. – New York, (pp. 1–30).
[15] Plas, D. V. (2018). Python Data Science Handbook: Essential Tools for Working with Data. St. Petersburg: Piter, 576 p.
[16] Shymanskyi, V., & Protsyk, Yu. (2018). Simulation of the Heat Conduction Process in the Claydite-Block Construction with Taking Into Account the Fractal Structure of the Material. Computer Science and Information Technologies: XIII-th International Scientific and Technical Conference (CSIT-2018), Lviv Ukraine, (pp. 151–154).
[17] Sokolovskyy, Y., Boretska, I., Gayvas, B., Shymanskyi, V., & Gregus, M. (2019). Mathematical modeling of heat transfer in anisotropic biophysical materials, taking into account the phase transition boundary. CEUR Workshop Proceedings 2488, (pp. 121–132).
[18] Sokolovskyy, Ya., Mokrytska, O., & Krishtapovich, V. (2015). Mathematical Simulation of Deformation and Relaxtion process in capillaryporaus materials. Proceedings of the information Conference on Computer Science and Information Technologies (CSIT 2015), Lviv Ukraine, (pp. 52–56).
[19] Sokolovskyy, Ya., Nechepurenko, A., & Zdolbytskyy, A. (2017). Software simulation of heat mass transfer using parallel computing technologies. Visnyk NULP: Komp'iuterni systemy. Teoriia i praktyka, 923, 34–43.
[20] Sokolovskyy, Ya., & Sinkevych, O. (2018). Software and algorithmic support for representation of CAD models in 2D von Neumann neighborhood. CEUR Workshop Proceedings 2300, (pp. 215–218).
[21] Sokolowskyi, Ya., Shymanskyi, V., & Levkovych, M. (2016). Mathematical modeling of non-isotermal moisture transfer and visco-elastic deformation in the materials with fractal structure. Computer Science and Information Technologies. XI-Th International Scientific and Technical Conference (CSIT-2016), Lviv, Ukraine, (pp. 91–95).
[22] Tian, B., Azimi-Sadjadi, M. R., & Vonder Haar, T. H. (2010). Temporal updating scheme for probabilistic neural network with application to satellite cloud classification. IEEE Transactions on Neural Networks, 11(3–4), (pp. 903–920).
[23] Tkachenko, R., Izonin, I., Kryvinska, N., Chopyak, V., Lotoshynska, N., & Danylyuk, D. (2018). Piecewise-linear Approach for Medical Insurance Costs Prediction using SGTM Neural-Like Structure. In: Shakhovska, N., Montenegro, S., Estève, Ya., Subbotin, S., Kryvinska, N., Izonin, I. (Eds.): Informatics & Data-Driven Medicine. Proceedings of the 1st International Workshop IDDM (IDDM 2018), Lviv, Ukraine, November 28–30, (pp. 170–179).
[24] Tkachenko, R., & Izonin, I. (2019). Model and Principles for the Implementation of Neural-Like Structures based on Geometric Data Transformations. In: Hu, Z. B., Petoukhov, S., (Eds.): Advances in Computer Science for Engineering and Education. Advances in Intelligent Systems and Computing. Springer, Cham. (ICCSEEA 2018). Vol. 754, (pp. 578–587).
[25] Yang, C.-T., Huang, C.-L., & Lin, C.-F. (2011). Hybrid CUDA, OpenMP, and MPI parallel programming on multicore GPU clusters. Computer physics communications, 1, 266–269. https://doi.org/10.1016/j.cpc.2010.06.035
[26] Zhiyi, Y., Zhu, Y., & Pu, Y. (2008). Parallel image processing based on CUDA. Computer Science and Software Engineering, 3, 198–201. https://doi.org/10.1109/CSSE.2008.144